图像处理方法、装置及非瞬时性计算机可读存储介质制造方法及图纸

本公开提供了一种图像处理方法、装置及非瞬时性计算机可读存储介质，涉及人工智能技术领域。其中的图像处理方法包括：提取输入图像的特征；根据输入图像的尺寸及目标图像的尺寸，确定坐标投影矩阵；根据坐标投影矩阵和缩放因子，确定相关矩阵；将相关矩阵输入权重预测网络，获得缩放因子对应的滤波器权重；将输入图像的特征及滤波器权重进行卷积操作，获得目标尺寸图像。本公开能够更加便捷高效的将输入图像重建为目标尺寸的图像，并有助于提高目标再识别的准确率。标再识别的准确率。标再识别的准确率。

【技术实现步骤摘要】
图像处理方法、装置及非瞬时性计算机可读存储介质


[0001]本公开涉及人工智能
，特别涉及一种图像处理方法、装置及非瞬时性计算机可读存储介质。

技术介绍

[0002]目标再识别场景中，由于摄像头的高度、角度等因素的影响，采集到的目标图像分辨率差异较大，且存在大量的低分辨率图像。为了进行更加精准的目标再识别，可以先基于尺度变换算法将采集到的图像缩放至固定尺寸，然后送入再识别网络进行特征提取。
[0003]目前常用的图像尺度变换算法主要有两种。一种为基于插值的算法，该算法根据临近像素点的值计算目标尺寸图像中对应像素点的值，从而得到目标尺寸图像。另一种为基于超分辨率重建的方法。对采集到的图像先进行固定倍数的放大，再通过插值的方法将其缩放到目标尺寸。

技术实现思路

[0004]本公开解决的一个技术问题是，如何便捷高效的将输入图像重建为目标尺寸的图像。
[0005]根据本公开的一个方面，提供了一种图像处理方法，包括：提取输入图像的特征；根据输入图像的尺寸及目标图像的尺寸，确定坐标投影矩阵；根据坐标投影矩阵和缩放因子，确定相关矩阵；将相关矩阵输入权重预测网络，获得缩放因子对应的滤波器权重；将输入图像的特征及滤波器权重进行卷积操作，获得目标尺寸图像。
[0006]在一些实施例中，图像处理方法，还包括：将目标尺寸图像输入特征提取网络，提取目标尺寸图像的特征。
[0007]在一些实施例中，提取输入图像的特征包括：通过深度学习神经网络提取输入图像的浅层特征。
[0008]在一些实施例中，根据输入图像的尺寸及目标图像的尺寸，确定坐标投影矩阵包括：根据输入图像的尺寸及目标图像的尺寸，确定缩放因子；将目标图像的像素点与输入图像的像素点相对应，获得坐标投影矩阵。
[0009]在一些实施例中，根据坐标投影矩阵和缩放因子，确定相关矩阵包括：对投影矩阵进行相关变换并加入缩放因子，获得相关矩阵。
[0010]在一些实施例中，权重预测网络包括多个全连接层和激活层。
[0011]根据本公开的另一个方面，提供了一种图像处理装置，包括：特征提取模块，被配置为提取输入图像的特征；元学习上采样模块，被配置为：根据输入图像的尺寸及目标图像的尺寸，确定坐标投影矩阵；根据坐标投影矩阵和缩放因子，确定相关矩阵；将相关矩阵输入权重预测网络，获得缩放因子对应的滤波器权重；将输入图像的特征及滤波器权重进行卷积操作，获得目标尺寸图像。
[0012]在一些实施例中，图像处理装置还包括再识别模块，被配置为：将目标尺寸图像输
入特征提取网络，提取目标尺寸图像的特征。
[0013]在一些实施例中，特征提取模块被配置为：通过深度学习神经网络提取输入图像的浅层特征。
[0014]在一些实施例中，元学习上采样模块被配置为：根据输入图像的尺寸及目标图像的尺寸，确定缩放因子；将目标图像的像素点与输入图像的像素点相对应，获得坐标投影矩阵。
[0015]在一些实施例中，元学习上采样模块被配置为：对投影矩阵进行相关变换并加入缩放因子，获得相关矩阵。
[0016]在一些实施例中，权重预测网络包括多个全连接层和激活层。
[0017]根据本公开的又一个方面，提供了又一种图像处理装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行前述的图像处理方法。
[0018]根据本公开的再一个方面，提供了一种非瞬时性计算机可读存储介质，其中，非瞬时性计算机可读存储介质存储有计算机指令，指令被处理器执行时实现前述的图像处理方法。
[0019]本公开能够更加便捷高效的将输入图像重建为目标尺寸的图像，并有助于提高目标再识别的准确率。
[0020]通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
[0021]为了更清楚地说明本公开实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0022]图1示出了本公开一些实施例的图像处理方法的流程示意图。
[0023]图2示出了本公开一些实施例的图像处理装置的结构示意图。
[0024]图3示出了本公开图像处理装置的一个应用例的结构示意图。
[0025]图4示出了图像处理装置的一个应用例的工作流程示意图。
[0026]图5示出了本公开另一些实施例的图像处理装置的结构示意图。
具体实施方式
[0027]下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。
[0028]专利技术人研究发现，现有的目标再识别尺寸变换算法存在以下问题。一方面，如果仅采用插值的方法，插值后的图像会出现细节模糊的现象，不利于基于细节信息来区分相似
的目标。另一方面，基于超分辨率重建的方法，由于目前超分辨率重建模型只能重建单一比例因子的图像，且不能重建非整数比例因子的图像，所以需要通过插值的方法对图像二次重建至目标尺寸，该方法缺少灵活性，且图像经过二次缩放容易丢失细节信息，影响再识别的准确率。
[0029]针对现有目标再识别尺度变换算法中存在的问题，本公开基于元学习的策略，动态的预测上采样滤波器的权重，然后基于预测权重直接生成目标尺寸图像。本公开能够便捷高效的从任意尺寸输入图像直接生成目标尺寸图像，且能够更好地保留图像的细节信息，提高再识别的准确率。
[0030]下面结合图1描述本公开图像处理方法的一些实施例。
[0031]图1示出了本公开一些实施例的图像处理方法的流程示意图。如图1所示，该方法包括步骤S101～步骤S105。
[0032]在步骤S101中，提取输入图像的特征。
[0033]例如，可以通过深度学习神经网络(包括但不限于残差深度网络)提取输入图像的浅层特征。通过步骤S101，能够将图像域转化为特征域。
[0034]在步骤S102中，根据输入图像的尺寸及目标图像的尺寸，确定坐标投影矩阵。
[0035]首先，根据输入图像的尺寸(w
′
，h
′
)及目标图像的尺寸(w，h)，确定缩放因子(r
w
，r
h
)。然后，将目标图像的任意像素点(i，j)与输入图像的像素点(i
′
，j
′
)相对应，获得坐标投影矩阵，以实现坐标投影。
[0036]在步骤S103中，根据坐标投影矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，包括：提取输入图像的特征；根据输入图像的尺寸及目标图像的尺寸，确定坐标投影矩阵；根据坐标投影矩阵和缩放因子，确定相关矩阵；将相关矩阵输入权重预测网络，获得所述缩放因子对应的滤波器权重；将输入图像的特征及所述滤波器权重进行卷积操作，获得目标尺寸图像。2.根据权利要求1所述的图像处理方法，还包括：将目标尺寸图像输入特征提取网络，提取目标尺寸图像的特征。3.根据权利要求1所述的图像处理方法，其中，所述提取输入图像的特征包括：通过深度学习神经网络提取输入图像的浅层特征。4.根据权利要求1所述的图像处理方法，其中，所述根据输入图像的尺寸及目标图像的尺寸，确定坐标投影矩阵包括：根据输入图像的尺寸及目标图像的尺寸，确定缩放因子；将目标图像的像素点与输入图像的像素点相对应，获得坐标投影矩阵。5.根据权利要求4所述的图像处理方法，其中，所述根据坐标投影矩阵和缩放因子，确定相关矩阵包括：对投影矩阵进行相关变换并加入缩放因子，获得相关矩阵。6.根据权利要求1所述的图像处理方法，其中，所述权重预测网络包括多个全连接层和激活层。7.一种图像处理装置，包括：特征提取模块，被配置为提取输入图像的特征；元学习上采样模块，被配置为：根据输入图像的尺寸及目标图像的尺寸，确定坐标投影矩阵；根据坐标投影矩阵和缩放因子，确定相关...

【专利技术属性】
技术研发人员：苏明兰，项超，梁宝林，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：